Dissertação

Previsão de variáveis ambientais na Amazônia com uso de redes neurais artificiais do tipo Long Short-Term Memory.

With the expansion of the photovoltaic solar energy industry came the search for improving the efficiency of its systems. The prediction of environmental variables such as temperature and solar irradiance help in making decisions about the use of these systems. In this work, a methodology for the ev...

ver descrição completa

Autor principal: SANTOS, Paulo Guilherme Silva dos
Grau: Dissertação
Idioma: Italian
Publicado em: Universidade Federal do Oeste do Pará 2022
Assuntos:
Predição de temperatura
Predição de irradiância solar
Deep Learning
Long short-term Memory
CNPQ::CIÊNCIAS BIOLÓGICAS
Processos de Interação Biosfera-Atmosfera
Acesso em linha: https://repositorio.ufopa.edu.br/jspui/handle/123456789/661
id ir-123456789-661
recordtype dspace
spelling ir-123456789-6612022-05-18T00:04:29Z Previsão de variáveis ambientais na Amazônia com uso de redes neurais artificiais do tipo Long Short-Term Memory. SANTOS, Paulo Guilherme Silva dos MENESES, Anderson Alvarenga de Moura Predição de temperatura Predição de irradiância solar Deep Learning Long short-term Memory CNPQ::CIÊNCIAS BIOLÓGICAS Processos de Interação Biosfera-Atmosfera With the expansion of the photovoltaic solar energy industry came the search for improving the efficiency of its systems. The prediction of environmental variables such as temperature and solar irradiance help in making decisions about the use of these systems. In this work, a methodology for the evaluation of Artificial Neural Networks (ANN) of short-long-term memories (LSTM) was used to predict the time series of these two variables. The data used were obtained from two cities located in the Amazon region, two sets of temperature data and a set of solar irradiance data. During the processing of data sets, fundamental characteristics for time series prediction were verified, such as autocorrelation and stationarity, and the division into training-test and validation sets. The architectures used have differences in their number of layers, to analyze the influence of their complexity on their performance. As a result, in data validation, the 3-layer architecture presented a statistically significant difference compared to the 7-layer architecture, for the same number of times. For the LABIC temperature dataset, the RMSE averages of the two architectures were 0.9393°F and 1.4531°F, for 3 and 7 layers, respectively; for the GEDAE temperature dataset the mean RMSE was 1.6499°F and 1.9767°F, for 3 and 7 layers, respectively; and in the solar irradiance dataset we obtained an average RMSE of 170.6649 W/m² and 204.7825 W/m², for 3 and 7 layers, respectively. The methodology used allowed the comparison between the architectures and could be used in the future to evaluate other models of ANNs for forecasting time series. CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior Com a expansão da indústria de energia solar fotovoltaica veio também a busca pela melhoria da eficiência de seus sistemas. A previsão de variáveis ambientais como temperatura e irradiância solar ajudam na tomada de decisão do uso destes sistemas. Neste trabalho, foi utilizada uma metodologia para avaliação de Redes Neurais Artificiais (RNA) de memórias de curto-longo prazo (LSTM), para predição de séries temporais destas duas variáveis. Os dados utilizados foram obtidos em duas cidades localizadas na região amazônica, sendo dois conjuntos de dados de temperatura e um conjunto de dados de irradiância solar. Durante o processamento dos conjuntos de dados foram verificadas características fundamentais para predição de séries temporais como autocorrelação e estacionariedade, e a divisão em conjuntos de treino-teste e validação. As arquiteturas utilizadas possuem diferenças em seus números de camadas, para analisar a influência de sua complexidade em seus desempenhos. Como resultado, na validação dos dados a arquitetura de 3 camadas apresentou diferença estatisticamente significativa em relação à arquitetura de 7 camadas, para um mesmo número de épocas. Para o conjunto de dados de temperatura do LABIC as médias de RMSE das duas arquiteturas foram de 0,9393°F e 1,4531°F, para 3 e 7 camadas, respectivamente; para o conjunto de dados de temperatura do GEDAE a média de RMSE foi de 1,6499°F e 1,9767°F, para 3 e 7 camadas, respectivamente; e no conjunto de dados de irradiância solar obtivemos RMSE médio de 170,6649 W/m² e 204,7825 W/m², para 3 e 7 camadas, respectivamente. A metodologia utilizada permitiu a comparação entre as arquiteturas e poderá ser utilizada futuramente para avaliação de outros modelos de RNAs de previsão de séries temporais. 2022-05-17T22:56:08Z 2022-05-17T22:56:08Z 2021-08-25 Dissertation Santos, Paulo Guilherme Silva dos. Previsão de variáveis ambientais na Amazônia com uso de redes neurais artificiais do tipo Long Short-Term Memory. Orientador: Anderson Alvarenga de Moura Meneses. 2021 46 f. Dissertação (Mestrado) – Universidade Federal do Oeste do Pará, Pró-Reitoria de Pesquisa, Pós Graduação e Inovação Tecnológica, Programa de Pós-Graduação em Recursos Naturais da Amazônia. Santarém, 2021. Disponível em: https://repositorio.ufopa.edu.br/jspui/handle/123456789/661 Acesso em: https://repositorio.ufopa.edu.br/jspui/handle/123456789/661 it Acesso Aberto application/pdf Universidade Federal do Oeste do Pará Brasil Programa de Pós-Graduação em Recursos Naturais da Amazônia UFOPA PRÓ-REITORIA DE PESQUISA, PÓS-GRADUAÇÃO E INOVAÇÃO TECNOLÓGICA
institution Repositório Institucional - Universidade Federa ldo Oeste do Pará - UFOPA
collection DSpace
language Italian
topic Predição de temperatura
Predição de irradiância solar
Deep Learning
Long short-term Memory
CNPQ::CIÊNCIAS BIOLÓGICAS
Processos de Interação Biosfera-Atmosfera
spellingShingle Predição de temperatura
Predição de irradiância solar
Deep Learning
Long short-term Memory
CNPQ::CIÊNCIAS BIOLÓGICAS
Processos de Interação Biosfera-Atmosfera
SANTOS, Paulo Guilherme Silva dos
Previsão de variáveis ambientais na Amazônia com uso de redes neurais artificiais do tipo Long Short-Term Memory.
topic_facet Predição de temperatura
Predição de irradiância solar
Deep Learning
Long short-term Memory
CNPQ::CIÊNCIAS BIOLÓGICAS
Processos de Interação Biosfera-Atmosfera
description With the expansion of the photovoltaic solar energy industry came the search for improving the efficiency of its systems. The prediction of environmental variables such as temperature and solar irradiance help in making decisions about the use of these systems. In this work, a methodology for the evaluation of Artificial Neural Networks (ANN) of short-long-term memories (LSTM) was used to predict the time series of these two variables. The data used were obtained from two cities located in the Amazon region, two sets of temperature data and a set of solar irradiance data. During the processing of data sets, fundamental characteristics for time series prediction were verified, such as autocorrelation and stationarity, and the division into training-test and validation sets. The architectures used have differences in their number of layers, to analyze the influence of their complexity on their performance. As a result, in data validation, the 3-layer architecture presented a statistically significant difference compared to the 7-layer architecture, for the same number of times. For the LABIC temperature dataset, the RMSE averages of the two architectures were 0.9393°F and 1.4531°F, for 3 and 7 layers, respectively; for the GEDAE temperature dataset the mean RMSE was 1.6499°F and 1.9767°F, for 3 and 7 layers, respectively; and in the solar irradiance dataset we obtained an average RMSE of 170.6649 W/m² and 204.7825 W/m², for 3 and 7 layers, respectively. The methodology used allowed the comparison between the architectures and could be used in the future to evaluate other models of ANNs for forecasting time series.
author_additional MENESES, Anderson Alvarenga de Moura
author_additionalStr MENESES, Anderson Alvarenga de Moura
format Dissertação
author SANTOS, Paulo Guilherme Silva dos
title Previsão de variáveis ambientais na Amazônia com uso de redes neurais artificiais do tipo Long Short-Term Memory.
title_short Previsão de variáveis ambientais na Amazônia com uso de redes neurais artificiais do tipo Long Short-Term Memory.
title_full Previsão de variáveis ambientais na Amazônia com uso de redes neurais artificiais do tipo Long Short-Term Memory.
title_fullStr Previsão de variáveis ambientais na Amazônia com uso de redes neurais artificiais do tipo Long Short-Term Memory.
title_full_unstemmed Previsão de variáveis ambientais na Amazônia com uso de redes neurais artificiais do tipo Long Short-Term Memory.
title_sort previsão de variáveis ambientais na amazônia com uso de redes neurais artificiais do tipo long short-term memory.
publisher Universidade Federal do Oeste do Pará
publishDate 2022
url https://repositorio.ufopa.edu.br/jspui/handle/123456789/661
_version_ 1829179655548043264
score 11.755432

Registros relacionados